基于BP神經網絡的上市公司信用風險評價

　一、引言
　　
　　信用風險管理對于商業銀行而言是一個永恒的主題，特別是東南亞金融危機后，更引起各國的關注和重視。無論銀行還是中介機構都迫切需要利用新的技術和方法對企業信用狀況做出較為準確的評價與決策。目前常用的統計方法有判別分析法、Logistic回歸法及主成分分析法、聚類分析法等，由這些方法建立起來的統計模型確可對信用評級提供較具科學性的分析，但這些統計模型都存在如下缺陷：第一，所有的模型所采取的各種變量，不論是不是財務指標，都來自研究者的主觀選取，很難斷言沒有重要變量被遺漏。第二，線性多元判別分析對變量的基本假設是多元正態分布，但許多實證資料大半違反此假設，又假設不同群組間的協方差矩陣相等，有違兩組樣本來自兩個分立群體的直覺。第三，線性概率模型無法符合“概率”的定義要求，存在先天瑕疵。自20世紀80年代末，西方發達國家將人工智能引入銀行業，協助銀行進行貸款決策，這其中，尤其人工神經網絡在企業財務分析中顯示了巨大的優勢和潛力。在我們國家，無論是用統計方法，還是用神經網絡技術來研究信用風險，目前都尚處于起步階段。楊保安，李海（2001）利用BP神經網絡對企業財務危機進行了預警研究；柳炳祥，盛昭翰（2002）利用粗神經網絡對企業財務危機進行了分析；朱順泉則對同一樣本數據分別采用主成分分析和模糊綜合評價方法研究了上市公司財務狀況問題。本文將在朱順泉文章樣本數據的基礎上，運用神經網絡方法對公司信用評級做進一步的探討。
　　
　　二、樣本的選擇與指標的選取
　　
　　樣本數據的來源如前面所述，將保持與朱順泉文中的一致，以便進行比較。該樣本數據是從《中國證券報》2000年4月4日披露的財務數據表中選取的20家公司、15個評價指標值。各項評價指標依次為：主營業務利潤率（X1）、凈資產收益率（X2）、總資產收益率（X3）、流動比率（X4）、速動比率（X5）、總資產周轉率（X6）、存貨周轉率（X7）、應收賬款周轉率（X8）、固定資產周轉率（X9）、股東權益周轉率（X10）、經營活動現金流量與凈利潤比率（X11）、主營收入現金流量（X12）、凈利潤增長率（X13）、長期負債比率（X14）、股東權益比率（X15）。由于指標體系中各指標均有不同的量綱，給評價帶來許多困難，因此有必要將不同量綱的評價指標，通過適當變換，轉化為無量綱的標準化指標。經標準化處理后的數據如表1所示。
　　
　　三、基于BP算法的信用風險評價模型
　　
　　BP算法是一種有監督的學習算法，它利用均方誤差最小和梯度下降法來實現對網絡連接權值和偏置權值的修正。其學習的基本思路是：先將各單元間的連接權和偏置權設置為一個小的隨機數，然后選擇一個訓練樣本，并計算樣本的誤差梯度。這涉及到兩個過程：一個是前向過程，將輸入值通過各個單元的傳遞，直至輸出單元得到網絡的輸出結果為止；另一個是反向過程：把實際輸出值和期望輸出值之間的誤差通過輸出層逐步返回到輸入層，并調整連接權值和偏置權值，直至樣本的實際輸出值和期望輸出值之間的誤差小于預先給定的值為止。
　　 現建立一個具有三層的BP網絡來解決這一分類問題。網絡的輸入變量采用能反映企業償債能力、贏利能力、發展能力等的15項指標來構成,相應地，神經網絡結構中的輸入層需要15個結點。對于輸出層，我們取3個結點，用輸出值（1，0，0），（0，1，0），（0，0，1）分別代表“信用好”、“信用一般”、“信用差”三種信用級別。隱層的結點一般應滿足2n＞m，其中n為隱層結點數，m為訓練樣本數。由于本文中樣本數將取為15（其余5個樣本用于仿真），這里n不妨取為5，即隱層有5個結點。該神經網絡結構如圖1所示。
　　根據圖1的網絡結構，我們可建立如下的基于BP算法的信用風險評價模型：
　　用向量表示為：Y=g{V［g（WX）+B1］+B2}
　　運用Matlab中的神經網絡工具箱技術，當我們把最大訓練步數設定為8000，誤差指標設為0.02，學習率為0.01時，得到了表1所示的結果。繼續運用學習得到的W、V、B1、B2值對剩下的五個公司進行仿真，可得到如表2所示的結果。從表2可以清晰地看到神經網絡仿真的結果與朱文中主成分分析的結論是大致吻合的。
　　
　　四、結論
　　
　　第一，基于神經網絡的企業信用風險評價模型，運用了神經網絡系統的容錯能力、并行處理能力、抗干擾能力及處理非線性問題的能力，不需要主觀確定各指標的權值，并且實驗結果表明，BP神經網絡技術方法運用到企業信用評級方面是有效的
　　 第二，用BP神經網絡進行企業信用風險評級也有一定的局限性，它要求企業無任何超越市場規則的有失公允的交易行為，企業的財務數據必須是真實和準確的。另外，在信用評價中輸入變量的選取標準尚需進一步探討，輸入變量除考慮公司企業財務技術的因素外，還應考慮產業及整體經濟基本層的 因素。